在使用深度学习评估淋巴的下肢组织的自动CT细分使用深度学习.
Seongwon Na1, Se Jin Choi2, Yousun Ko1,2
1Biomedical Engineering Research Center, Asan Institute for Life Science, Asan Medical Center, Seoul, Korea.
European radiology
|May 16, 2025
概括
一个新的深度学习工具在CT扫描中准确地细分下肢组织,以改善淋巴的评估. 这种自动化方法提高了对淋巴的严重程度和流体纤维性病变的评估.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 临床评估淋巴,特别是其严重程度和纤维变化,是困难的现有方法.
- 在下肢CT扫描中精确的组织细分对于定量性淋巴的评估至关重要.
研究的目的:
- 开发和验证深度学习 (DL) 分段工具,用于自动分析下肢CT扫描中的组织组件.
- 为了能够精确测量淋巴的严重程度和纤维化病变.
主要方法:
- 一个DL模型 (Unet++与EfficientNet-B7编码器) 在118名患有妇科癌症的患者的CT静脉扫描上受过训练.
- 脂肪,肌肉和流体纤维组织的细分使用3D切片机作为参考标准进行.
- 在内部和外部数据集中,使用子相似系数 (DSC) 和体积相似性 (VS) 验证了DL模型的准确性.
- 开发了一个图形用户界面 (GUI) 来可视化细分结果.
主要成果:
- DL算法展示了高分段精度,平均DSC从0.945到0.999之间,平均VS从0.97到0.999之间的验证集.
- 体积测量分析显示,DL测量和指标的腿部总体积或组件体积之间没有显著差异 (p > 0.05).
- 开发的图形用户界面通过突出显示细分组织组件,有效地绘制淋巴.
结论:
- DL算法提供了一个自动化和准确的工具,用于在CT扫描上对下肢组织组件进行细分和定量.
- 这种工具有助于自动化淋巴结胀评估,严重程度评估和绘制地图.
- 该DL工具的高准确性为管理淋巴结胀提供了重要的临床相关性.
